因子手工作坊系列_4_当大单不再可靠_基于撤单行为的机构交易识别_18页_1mb

文档内容总结

核心内容

本文提出了一种基于“下单-撤单时间差”的机构交易识别方法，旨在通过算法交易的撤单行为来捕捉机构投资者（Inside Trader）的行为特征，以提升选股的有效性。传统的订单金额划分方法存在缺陷，而本文提出的“买单算法交易撤单占比因子（BABR）”则能更准确地反映机构行为。

主要观点

1. 撤单行为更易暴露算法交易特征
   撤单行为相较于下单行为，具有更强的规则化特征，且在某些离散时间点上呈现显著的脉冲式集中，这与人工交易的随机性不同，是算法交易的典型特征。

2. BABR因子具有良好的选股表现
   BABR因子基于买单方向上的算法撤单占比，其RankIC为0.058，ICIR接近0.55，双周度胜率超过70%，多空组合年化收益率为27.8%，在多个年度表现优于其他算法撤单类因子。

3. 因子具备独特的风格暴露
   BABR因子偏好高估值、高弹性、低财务杠杆的股票，且与万得偏股混合型基金指数的相关性达0.59，表明其能够有效捕捉公募基金的投资风格。

4. 因子表现与流动性相关
   BABR因子在流动性较高的股票中表现更佳，且在高流动性组内RankIC显著提升，说明流动性对因子的稳定性有重要影响。

5. 因子可作为传统多因子模型的补充
   BABR因子与基于成交数据的深度学习因子相关性为-0.25，表明其提供相对独立的信息增益，可作为传统量价因子的补充。

关键信息

• 撤单时间差识别规则：将下单后1秒、5秒及1分钟内3秒整数倍前后20毫秒的撤单视为算法交易行为。
• 因子构造：BABR因子定义为“买单算法交易撤单笔数/全部买单撤单笔数”。
• 因子有效性：BABR因子在多个年度表现稳定，且在高流动性股票中表现更优。
• 风格暴露：BABR因子与Barra因子的账面市值比、盈利、杠杆等呈现显著负相关，与Beta正相关，偏好高估值、高弹性、低杠杆股票。
• 风险提示：因子基于历史数据构建，存在数据不准确、市场风格变化及因子失效的风险。

因子测试与表现

风格暴露分析

• 与Barra因子相关性：BABR因子与账面市值比、盈利、杠杆等呈负相关，与Beta呈正相关，偏好高估值、高弹性、低杠杆股票。
• 与level2因子相关性：BABR因子与逐笔成交类level2因子相关性较低，主要集中在±0.2范围内，与深度学习因子相关性为-0.25，提供独立信息增益。

因子应用建议

• 流动性筛选：建议在应用BABR因子时剔除低流动性股票，以提升因子的稳定性和预测能力。
• 因子扩展：卖单算法撤单占比因子同样具有一定的选股能力，但表现略弱于买单类因子。
• 因子稳定性：因子在2017-2025年整体表现稳定，且在高流动性股票中更具优势。

风险提示

• 数据来源第三方，可能存在遗漏、滞后或误差；
• 因子基于历史数据构建，存在历史统计规律失效风险；
• 市场风格可能变化，影响因子的有效性；
• 个股仅作为举例，不构成投资建议。

总结

本文提出了一种新的机构交易识别方法，即通过“下单-撤单时间差”识别算法交易行为，并构建了具有稳定选股能力的BABR因子。该因子不仅在多个年度表现优异，还具有独特的风格暴露，能够捕捉公募基金的行为，且在高流动性股票中更具优势。在实际应用中，建议结合流动性筛选，以提高因子的稳定性与有效性。